[go: up one dir, main page]

TWI681343B - 物件追蹤系統、物件追蹤方法與非暫態電腦可讀取媒體 - Google Patents

物件追蹤系統、物件追蹤方法與非暫態電腦可讀取媒體 Download PDF

Info

Publication number
TWI681343B
TWI681343B TW107145338A TW107145338A TWI681343B TW I681343 B TWI681343 B TW I681343B TW 107145338 A TW107145338 A TW 107145338A TW 107145338 A TW107145338 A TW 107145338A TW I681343 B TWI681343 B TW I681343B
Authority
TW
Taiwan
Prior art keywords
area
image frame
predicted
object tracking
processor
Prior art date
Application number
TW107145338A
Other languages
English (en)
Other versions
TW202022712A (zh
Inventor
虞登翔
吳彥興
Original Assignee
瑞昱半導體股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 瑞昱半導體股份有限公司 filed Critical 瑞昱半導體股份有限公司
Priority to TW107145338A priority Critical patent/TWI681343B/zh
Priority to US16/424,815 priority patent/US11004217B2/en
Application granted granted Critical
Publication of TWI681343B publication Critical patent/TWI681343B/zh
Publication of TW202022712A publication Critical patent/TW202022712A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

物件追蹤方法包含下列操作：基於一深度學習模型偵測一物件在一第一影像圖框中的一第一區域，以根據該第一影像圖框與該第一區域預測該物件於一預測影像圖框中的一預測區域；基於該深度學習模型偵測該物件在一第二影像圖框中的一第二區域；以及計算該預測區域以及該第二區域之間的一關聯性，以追蹤該物件。

Description

物件追蹤系統、物件追蹤方法與非暫態 電腦可讀取媒體
本案是有關於一種物件追蹤系統與方法，且特別是有關於應用於掉張運算的物件追蹤系統、方法與非暫態電腦可讀取媒體。
近年來，人工智慧技術的相關應用與日俱增。例如，應用於如圖像和語音識別等等領域。在圖像識別中，目前的技術需要直接輸入原始影像資料來進行辨識。如此，需處理的資料量過大，耗費較多系統效能。
為了解決上述問題，本案之一些態樣提供一種物件追蹤系統，其包含記憶體與處理器。記憶體用以儲存至少一電腦程式碼。處理器用以儲存該至少一電腦程式碼，以執行下列操作：基於一深度學習模型偵測一物件在一第一影 像圖框中的一第一區域，以根據該第一影像圖框與該第一區域預測該物件於一預測影像圖框中的一預測區域；基於該深度學習模型偵測該物件在一第二影像圖框中的一第二區域；以及計算該預測區域以及該第二區域之間的一關聯性，以追蹤該物件。
本案之一些態樣提供一種物件追蹤方法，其包含下列操作：基於一深度學習模型偵測一物件在一第一影像圖框中的一第一區域，以根據該第一影像圖框與該第一區域預測該物件於一預測影像圖框中的一預測區域；基於該深度學習模型偵測該物件在一第二影像圖框中的一第二區域；以及計算該預測區域以及該第二區域之間的一關聯性，以追蹤該物件。
本案之一些態樣提供一種非暫態電腦可讀取媒體，其具有一電腦程式，其中該電腦程式被一處理器執行時，使該處理器執行複數個操作，且該些操作包含：基於一深度學習模型偵測一物件在一第一影像圖框中的一第一區域與該物件在一第二影像圖框中的一第二區域；根據該第一區域預測該物件於該第一影像圖框與該第二影像圖框之間的一預測影像圖框中的一預測區域；以及計算該預測區域以及該第二區域之間的一關聯性，以追蹤該物件。
綜上所述，本案實施例提供的物件追蹤系統、方法與非暫態電腦可讀取媒體可利用掉張運算的方式來持續追蹤物件，以達到降低資料運算量的效果。
100‧‧‧物件追蹤系統
110‧‧‧處理器
120‧‧‧記憶體
130‧‧‧輸入輸出裝置
CPC‧‧‧電腦程式
D1‧‧‧虛擬資料
SV‧‧‧影像資料
DF‧‧‧資料
200‧‧‧物件追蹤方法
S210、S220‧‧‧操作
S230、S240‧‧‧操作
S250‧‧‧操作
310-0‧‧‧原始影像圖框
310-1‧‧‧原始影像圖框
310-2‧‧‧原始影像圖框
310-3‧‧‧原始影像圖框
310-4‧‧‧原始影像圖框
T0~T4‧‧‧時間
A-1~A-2‧‧‧區域
O1‧‧‧人臉
CF‧‧‧信心指數
B-1‧‧‧預測區域
320-2‧‧‧預測影像圖框
320-4‧‧‧預測影像圖框
PR‧‧‧預設比例
320-1、320-3‧‧‧影像圖框
420‧‧‧聯集
410‧‧‧交集
本案所附圖式之說明如下：第1圖為根據本案的一些實施例所繪示之物件追蹤系統的示意圖；第2圖為根據本案之一些實施例所繪示的一種物件追蹤方法的流程圖；以及第3A圖為根據本案一些實施例所繪示多個原始影像圖框、延遲影像圖框之間的關係示意圖；第3B圖為根據本案一些實施例所繪示偵測物件的操作示意圖；以及第4圖為根據本案一些實施例所繪示根據第3B圖的預測區域與第二區域執行第2圖中一操作的示意圖。
本文所使用的所有詞彙具有其通常的意涵。上述之詞彙在普遍常用之字典中之定義，在本說明書的內容中包含任一於此討論的詞彙之使用例子僅為示例，不應限制到本揭示內容之範圍與意涵。同樣地，本揭示內容亦不僅以於此說明書所示出的各種實施例為限。
在本文中，使用第一、第二與第三等等之詞彙，是只用來辨別單一元件。因此，在下文中的一第一元件也可被稱為第二元件，而不脫離本案的本意。本文中所使用之『與/或』包含一或多個相關聯的項目中的任一者以及所有組合。
關於本文中所使用之『耦接』或『連接』，均 可指二或多個元件相互直接作實體或電性接觸，或是相互間接作實體或電性接觸，亦可指二或多個元件相互操作或動作。
於本文中，用語『電路系統(circuitry)』泛指包含一或多個電路(circuit)所形成的單一系統。用語『電路』泛指由一或多個電晶體與/或一或多個主被動元件按一定方式連接以處理訊號的物件。
參照第1圖，第1圖為根據本案的一些實施例所繪示之物件追蹤系統100的示意圖。於一些實施例中，物件追蹤系統100可用於追蹤一特定物件的位置。於一些實施例中，物件追蹤系統100可實現於各種電子裝置(例如：電腦主機、伺服器、手機、筆記型電腦、平板電腦等等)。
於一些實施例中，物件追蹤系統100包含處理器110、記憶體120與輸入輸出裝置130。處理器110耦接至記憶體120以及螢幕130。於各個實施例中，處理器110可為中央處理單元(CPU)、特殊應用積體電路(Application-specific integrated circuit,ASIC)、多處理器、分散式處理系統、或合適的處理電路。
記憶體120用以儲存至少一電腦程式CPC。於一些實施例中，記憶體120更用以儲存對應於一深度學習模型的虛擬資料D1。於一些實施例中，前述的深度學習模型為使用人工智慧(Artificial Intelligence,AI)技術來實施類神經網路(例如為卷積神經網路)，並預先對大量影像資料進行訓練，以進行影像辨識。於一些實施例中，處理器110 可執行至少一電腦程式CPC，以基於深度學習模型分析影像資料以辨識影像中的至少一物件與其對應類別(例如：人臉)。於一些實施例中，處理器110可與至少一編解碼電路(未繪示)與/或影音處理電路(未繪示)協同運作，以分析影像資料。
於一些實施例中，記憶體120為非暫態電腦可讀取儲存媒介。例如，非暫態電腦可讀取儲存媒介包含半導體或固態記憶體、磁帶、可移除式電腦磁碟、隨機存取記憶體(RAM)、唯讀記憶體(ROM)、硬磁碟與/或光學磁碟。在使用光學磁碟的一個或多個實施例中，電腦可讀取儲存媒介包含唯讀記憶光碟(CD-ROM)、可重複錄寫光碟(CD-R/W)與/或數位影音光碟(DVD)。
輸入輸出裝置130用以接收包含連續的多張原始(raw)影像圖框(frame)的影像資料SV。於本文中，原始影像圖框代表尚未被執行影像辨識的影像資料。於一些實施例中，前述的至少一電腦程式CPC可由多個指令集編碼而成，以執行包含後述第2圖的多個操作。藉此，處理器110可分析影像資料SV，以產生用於追蹤至少一特定物件的資料DF。於一些實施例中，輸入輸出裝置130可為各種類型的資料傳輸電路或收發器電路，以接收影像資料SV並傳輸資料DF至其他系統或電路。
第2圖為根據本案之一些實施例所繪示的一種物件追蹤方法200的流程圖。為易於理解，物件追蹤方法200的多個操作將參照第1圖的物件追蹤系統100進行說明。
於操作S210，接收包含連續的多張原始影像圖框的影像資料。
於操作S220，基於深度學習模型分析多張原始影像圖框中的初始影像圖框，以偵測一物件於此初始影像圖框中所位於的一第一區域，並輸出該初始影像圖框為一第一延遲影像圖框。
於操作S230，根據初始影像圖框以及第一區域預測物件於預測影像圖框中的一預測區域。
為理解操作S210至S230，請參照第3A圖與第3B圖，第3A圖為根據本案一些實施例所繪示多個原始影像圖框、延遲影像圖框之間的關係示意圖，且第3B圖為根據本案一些實施例所繪示偵測物件的操作示意圖。為易於理解，第3A圖與第3B圖中的類似元件將被指定為相同標號。
如第3A圖所示，輸入輸出裝置130可接收影像資料SV，其包含多張原始影像圖框310-0至310-4，其分別對應至時間T0~T4。原始影像圖框310-0為初始影像圖框(亦即最早的影像圖框，對應於時間T0)。處理器110可基於深度學習模型分析原始影像圖框310-0中是否有一物件存在，並辨識此物件於原始影像圖框310-0中的區域A-1。處理器110延遲原始影像圖框310-0並輸出為影像圖框320-1，其與原始影像圖框310-1大致對應於時間T1。
如第3B圖所示，於一些實施例中，物件可為一人臉O1。處理器110辨識出原始影像圖框310-0的內容中存在一人臉O1，並確認人臉O1位於原始影像圖框310-0中的 一區域A-1。於一些實施例中，處理器110在偵測此區域A-1時輸出一信心指數CF。於一些實施例中，信心指數CF相當於深度學習模型認為本次偵測的可信度。例如，於此例中，區域A-1對應的信心指數CF為71.35，即代表區域A-1內的物件有71.35%的機率為人臉。
繼續參照第3A圖，處理器110可基於原始影像圖框310-0以及區域A-1等資訊產生一預測影像圖框320-2，其與原始影像圖框310-2大致對應於時間T2。如第3B圖所示，於一些實施例中，處理器320-2將原始影像圖框310-0直接作為預測影像圖框320-2，並依據區域A-1與其對應的信心指數CF決定物件(例如為人臉O1)位於在預測影像圖框320-2中的預測區域B-1。於一些實施例中，處理器110可根據信心指數CF與預設比例PR的一乘積擴大區域A-1，以決定預測區域320-2。
例如，以第3B圖所示，區域A-1與預測區域320-2之中心位置相同。於一些實施例中，預設比例PR可為0.1。如先前所述，信心指數CF為71.35。於此條件下，故信心指數CF為71.35與預設比例PR之乘積約為7，即處理器110可由區域A-1的上下邊緣向外延伸共7個像素的距離及左右邊緣向外延伸共7個像素的距離，因此，區域A-1的上下邊緣以及左右邊緣向外延伸各3.5個(即0.5*CF*PR)像素的距離，以作為預測區域B-1。
於一些實施例中，預測區域B-1設置以大於區域A-1，以涵蓋物件在連續的時間T1~T2之間所可能移動 的範圍。上述產生預測區域B-1的方式或是預設比例PR的數值用於示例，且本案並不以此為限。各種產生預測區域B-1的方式以及各種數值的預設比例PR皆為本案所涵蓋的範圍。
繼續參照第2圖，於操作S240中，基於深度學習模型分析多張原始影像圖框中的另一原始影像圖框，以偵測物件於此原始影像圖框中所位於的一第二區域，並輸出該此原始影像圖框為一第二延遲影像圖框。
例如，如第3A圖所示，處理器110可基於深度學習模型分析原始影像圖框310-2，以辨識物件於原始影像圖框310-2中的區域A-2。接著，原始影像圖框310-2被延遲輸出為影像圖框320-3，其與原始影像圖框310-3大致對應於時間T3。
如第3B圖所示，類似於前述操作，處理器110基於深度學習模型辨識出原始影像圖框310-2亦存在人臉O1，並確認人臉O1位於原始影像圖框310-2中的區域A-2。
繼續參照第2圖，於操作S250中，計算預測區域與第二區域之間的一關聯性，以追蹤物件。參照第4圖，第4圖為根據本案一些實施例所繪示根據第3B圖的預測區域B-1與區域A-2執行操作S250的示意圖。為易於理解，第4圖與第3B圖中的類似元件將被指定為相同標號。
於一些實施例中，處理器110可根據預測區域B-1以及區域A-2執行一目標檢測函數，以確認物件在兩張影像圖框之間的關聯性。於一些實施例中，目標檢測函數可 為交互比(intersection over union,IOU)。例如，如第4圖所示，處理器110可依據預測區域B-1與區域A-2的交集410以及預測區域B-1與區域A-2的聯集420決定交互比，其中交互比可表示為：IOU=410/420。當交互比越接近1，代表預測區域B-1以及區域A-2的關聯性越高。於此條件下，預測區域B-1可足以反映物件(例如為人臉O1)於時間T3的位置。反之，則代表預測區域B-1不足以反映物件(例如為人臉O1)於時間T3的位置，以重新修正或訓練。
如第3A圖所示，處理器110可根據後續的原始影像圖框來反覆執行上述操作，以持續追蹤物件。於一些實施例中，處理器110可將多個圖框(例如為影像圖框320-1、預測影像圖框320-2、影像圖框320-3)、圖框與時間的對應關係、區域資訊(區域A-1與A-2、預測區域B-1)、信心指數CF以及關聯性(例如為交互比)等等資訊作為資料DF輸出給後續系統或電路，或是依據資料DF執行其他相關操作，以顯示物件追蹤的結果。
如第3A圖所示，於一些實施例中，基於深度學習模型被分析的兩張原始影像圖框310-0與310-2為非連續圖框。等效而言，物件追蹤方法200為一掉張(drop frame)運算程序。亦即，於一些實施例中，處理器110不對所接收到的影像資料SV內的所有原始影像圖框進行分析。如此一來，資料運算量可以降低。此外，藉由操作S230，處理器110可預估物件在未分析的原始影像圖框(例如：原始影像圖框310-1)的可能位置，以持續偵測物件。
上述物件追蹤方法200的多個操作僅為示例，並非限於上述示例的順序執行。在不違背本揭示內容的各實施例的操作方式與範圍下，在物件追蹤方法200下的各種操作當可適當地增加、替換、省略或以不同順序執行。
於一些實施例中，物件追蹤方法200的實施方式可為軟體、硬體與/或軔體。於一些實施例中，物件追蹤方法200可由具有相應指令的軟體或電腦程式實現，並儲存於一非暫態電腦可讀取媒體(例如為記憶體120)內，以供一處理器(例如為處理器110)執行前述的各個操作。
為易於理解，上述內容以追蹤單一物件示例，但本案並不以此為限。上述物件追蹤方法200亦可用於追蹤多個物件。此外，物件的類別亦不限於人臉。各種類別的物件皆為本案所涵蓋的範圍。
綜上所述，本案實施例提供的物件追蹤系統、方法與非暫態電腦可讀取媒體可利用掉張運算的方式來持續追蹤物件，以達到降低資料運算量的效果。
雖然本案已以實施方式揭露如上，然其並非限定本案，任何熟習此技藝者，在不脫離本案之精神和範圍內，當可作各種更動與潤飾，因此本案之保護範圍當視後附之申請專利範圍所界定者為準。
200‧‧‧物件追蹤方法
S210、S220‧‧‧操作
S230、S240‧‧‧操作
S250‧‧‧操作

Claims (10)

  1. 一種物件追蹤系統，包含：一記憶體，用以儲存至少一電腦程式碼；以及一處理器，用以儲存該至少一電腦程式碼，以執行下列操作：基於一深度學習模型進行一影像偵測，以偵測一物件在一第一影像圖框中的一第一區域，以根據該第一影像圖框與該第一區域預測該物件於一預測影像圖框中的一預測區域；基於該深度學習模型偵測該物件在一第二影像圖框中的一第二區域；以及計算該預測區域以及該第二區域之間的一關聯性，以追蹤該物件，其中該深度學習模型更使用一人工智慧技術來實施一類神經網路預先對大量影像資料進行訓練，以進行該影像偵測。
  2. 如請求項1所述的物件追蹤系統，其中該第一影像圖框與該第二影像圖框為複數個非連續圖框。
  3. 如請求項1所述的物件追蹤系統，其中該第一影像圖框對應於一第一時間，該第二影像圖框對應於一第二時間，且該預測影像圖框對應於該第一時間與該第二時間之間的一第三時間。
  4. 如請求項1所述的物件追蹤系統，其中該處理器更用以根據延遲該第一影像圖框與該第二影像圖框，以追蹤該物件。
  5. 如請求項1所述的物件追蹤系統，其中該預測區域大於該第一區域。
  6. 如請求項1所述的物件追蹤系統，其中該處理器用以在偵測該第一區域時輸出一信心指數，並根據該信心指數與該第一區域決定該預測區域。
  7. 如請求項6所述的物件追蹤系統，其中該處理器用以根據該信心指數與一預設比例之一乘積擴大該第一區域，以決定該預測區域。
  8. 如請求項1所述的物件追蹤系統，其中該處理器用以根據該預測區域與該第二區域的一交集與該預測區域與該第二區域的一聯集決定該關聯性。
  9. 一種物件追蹤方法，包含：基於一深度學習模型進行一影像偵測，以偵測一物件在一第一影像圖框中的一第一區域，以根據該第一影像圖框與該第一區域預測該物件於一預測影像圖框中的一預測區域；基於該深度學習模型偵測該物件在一第二影像圖框中 的一第二區域；以及計算該預測區域以及該第二區域之間的一關聯性，以追蹤該物件，其中該深度學習模型更使用一人工智慧技術來實施一類神經網路預先對大量影像資料進行訓練，以進行該影像偵測。
  10. 一種非暫態電腦可讀取媒體，其具有一電腦程式，其中該電腦程式被一處理器執行時，使該處理器執行複數個操作，且該些操作包含：基於一深度學習模型進行一影像偵測，以偵測一物件在一第一影像圖框中的一第一區域與該物件在一第二影像圖框中的一第二區域；根據該第一區域預測該物件於該第一影像圖框與該第二影像圖框之間的一預測影像圖框中的一預測區域；以及計算該預測區域以及該第二區域之間的一關聯性，以追蹤該物件，其中該深度學習模型更使用一人工智慧技術來實施一類神經網路預先對大量影像資料進行訓練，以進行該影像偵測。
TW107145338A 2018-12-14 2018-12-14 物件追蹤系統、物件追蹤方法與非暫態電腦可讀取媒體 TWI681343B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW107145338A TWI681343B (zh) 2018-12-14 2018-12-14 物件追蹤系統、物件追蹤方法與非暫態電腦可讀取媒體
US16/424,815 US11004217B2 (en) 2018-12-14 2019-05-29 Object tracking system, object tracking method, and non-transitory computer readable medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW107145338A TWI681343B (zh) 2018-12-14 2018-12-14 物件追蹤系統、物件追蹤方法與非暫態電腦可讀取媒體

Publications (2)

Publication Number Publication Date
TWI681343B true TWI681343B (zh) 2020-01-01
TW202022712A TW202022712A (zh) 2020-06-16

Family

ID=69942397

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107145338A TWI681343B (zh) 2018-12-14 2018-12-14 物件追蹤系統、物件追蹤方法與非暫態電腦可讀取媒體

Country Status (2)

Country Link
US (1) US11004217B2 (zh)
TW (1) TWI681343B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI728655B (zh) * 2020-01-16 2021-05-21 國立臺中科技大學 應用於動物的卷積神經網路偵測方法及系統

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116055867B (zh) * 2022-05-30 2023-11-24 荣耀终端有限公司 一种拍摄方法和电子设备
US12387242B2 (en) 2022-09-30 2025-08-12 Insight Direct Usa, Inc. Systems and methods for customer-personalized videos

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7835542B2 (en) * 2005-12-29 2010-11-16 Industrial Technology Research Institute Object tracking systems and methods utilizing compressed-domain motion-based segmentation
TWI621071B (zh) * 2017-08-31 2018-04-11 國立勤益科技大學 使用深度學習於車牌與人臉辨識之門禁管理系統
TW201816670A (zh) * 2016-10-14 2018-05-01 美商克萊譚克公司 用於經組態用於半導體應用之深度學習模型之診斷系統及方法
TW201839634A (zh) * 2017-04-24 2018-11-01 太豪生醫股份有限公司 雲端醫療影像分析系統與方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103248705B (zh) * 2013-05-20 2016-03-23 北京智谷睿拓技术服务有限公司 服务器、客户端及视频处理方法
US9710716B2 (en) * 2014-12-16 2017-07-18 Sighthound, Inc. Computer vision pipeline and methods for detection of specified moving objects
US10304203B2 (en) * 2015-05-14 2019-05-28 Qualcomm Incorporated Three-dimensional model generation
US10628961B2 (en) * 2017-10-13 2020-04-21 Qualcomm Incorporated Object tracking for neural network systems
US20190130583A1 (en) * 2017-10-30 2019-05-02 Qualcomm Incorporated Still and slow object tracking in a hybrid video analytics system
US10628667B2 (en) * 2018-01-11 2020-04-21 Futurewei Technologies, Inc. Activity recognition method using videotubes
US20190304102A1 (en) * 2018-03-30 2019-10-03 Qualcomm Incorporated Memory efficient blob based object classification in video analytics
US10489918B1 (en) * 2018-05-09 2019-11-26 Figure Eight Technologies, Inc. Video object tracking
US11061132B2 (en) * 2018-05-21 2021-07-13 Johnson Controls Technology Company Building radar-camera surveillance system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7835542B2 (en) * 2005-12-29 2010-11-16 Industrial Technology Research Institute Object tracking systems and methods utilizing compressed-domain motion-based segmentation
TW201816670A (zh) * 2016-10-14 2018-05-01 美商克萊譚克公司 用於經組態用於半導體應用之深度學習模型之診斷系統及方法
TW201839634A (zh) * 2017-04-24 2018-11-01 太豪生醫股份有限公司 雲端醫療影像分析系統與方法
TWI621071B (zh) * 2017-08-31 2018-04-11 國立勤益科技大學 使用深度學習於車牌與人臉辨識之門禁管理系統

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI728655B (zh) * 2020-01-16 2021-05-21 國立臺中科技大學 應用於動物的卷積神經網路偵測方法及系統

Also Published As

Publication number Publication date
TW202022712A (zh) 2020-06-16
US20200193621A1 (en) 2020-06-18
US11004217B2 (en) 2021-05-11

Similar Documents

Publication Publication Date Title
US10488939B2 (en) Gesture recognition
TWI681343B (zh) 物件追蹤系統、物件追蹤方法與非暫態電腦可讀取媒體
CN110147702A (zh) 一种实时视频的目标检测与识别方法和系统
US20200193152A1 (en) Human Pose Estimation
KR20220059194A (ko) 대상 객체에 적응적인 객체 추적 방법 및 장치
US11133022B2 (en) Method and device for audio recognition using sample audio and a voting matrix
KR102907449B1 (ko) 헤드 포즈 추정
US20200334466A1 (en) Person tracking method, device, electronic device, and computer readable medium
US20160365088A1 (en) Voice command response accuracy
CN112233676B (zh) 智能设备唤醒方法、装置、电子设备及存储介质
CN117745761B (zh) 一种点追踪方法、装置、电子设备和存储介质
US9837082B2 (en) Interactive server and method for controlling the server
Han et al. ORT: Occlusion-robust for multi-object tracking
WO2020168448A1 (zh) 睡眠预测方法、装置、存储介质及电子设备
US20180129901A1 (en) System on chip and method for data processing
WO2020019353A1 (zh) 跟踪控制方法、设备、计算机可读存储介质
KR102406634B1 (ko) 미래 상호작용 예측 기반의 개인화 추천 방법 및 시스템
KR20130117624A (ko) 비주얼 큐를 이용하여 비디오 시퀀스에서 토킹 세그먼트를 검출하는 방법 및 장치
CN120747672A (zh) 一种大模型的训练方法、装置、设备以及存储介质
US10922818B1 (en) Method and computer system for object tracking
CN111401111A (zh) 物件追踪系统、物件追踪方法与非暂态计算机可读介质
Sun et al. Adaptive multi-object tracking algorithm based on split trajectory: L. Sun et al.
CN109657153A (zh) 一种用于确定用户的关联财经信息的方法与设备
CN114708302A (zh) 目标跟踪方法、装置、终端设备及计算机可读存储介质
CN115358288A (zh) 基于标签约束的多模态分类模型训练方法及装置